高光谱遥感影像异常目标检测的关键问题研究.docx

高光谱遥感影像异常目标检测的关键问题研究
高光谱遥感影像异常目标检测的关键问题研究
摘要
高光谱遥感影像异常目标检测是一项重要的遥感研究领域。随着高光谱遥感技术的发展，获取到的遥感影像具有丰富的光谱信息，使得异常目标的检测成为可能。本文着重讨论了高光谱遥感影像异常目标检测中的关键问题，包括特征提取、分类方法选择和样本不平衡问题等。在特征提取方面，引入了多种特征提取方法，包括光谱特征、空间特征和组合特征。在分类方法选择方面，介绍了常用的分类器，如支持向量机、随机森林和深度学习方法等。在样本不平衡问题方面，讨论了过采样和欠采样方法的应用。最后，通过实验证明了本文提出的方法的有效性和可行性。
关键词：高光谱遥感影像；异常目标检测；特征提取；分类方法；样本不平衡；
1.引言
高光谱遥感影像异常目标检测是指在高光谱遥感影像中，通过分析影像的光谱信息，寻找出与普通目标不符的异常目标。高光谱遥感影像具有丰富的光谱信息，与传统的遥感影像相比，能够提供更多的细节信息，因此在异常目标检测中能够取得更好的效果。
2.关键问题
2.1特征提取
特征提取是高光谱遥感影像异常目标检测中的关键问题之一。在高光谱遥感影像中，每个像素点的光谱信息都可以用一个高维向量来表示。为了减少维度和保留有效的信息，需要对光谱信息进行特征提取。典型的特征提取方法包括PCA(PrincipalComponentAnalysis)、ICA(IndependentComponentAnalysis)、LLE(LocallyLinearEmbedding)等。此外，还可以通过计算像素点之间的距离和相似度来提取空间特征，例如LBP(LocalBinaryPattern)等。另外，还可以将光谱和空间特征进行组合，提取更综合的特征。
2.2分类方法选择
分类方法的选择对于高光谱遥感影像异常目标检测结果的准确性和稳定性有着重要影响。常用的分类方法包括支持向量机、随机森林、神经网络等。支持向量机(SVM)是一种常用的分类器，其能够利用核函数处理高维数据，适用于分类问题。随机森林是一种基于决策树的集成学习方法，通过构建多个决策树进行分类，能够有效处理多类别问题。深度学习方法如卷积神经网络(CNN)和循环神经网络(RNN)等在高光谱遥感影像异常目标检测中也取得了显著的效果。
2.3样本不平衡问题
高光谱遥感影像异常目标检测中常常存在样本不平衡问题，即异常目标的样本数量远少于普通目标的样本数量。这种情况下，常规的分类方法可能会偏向普通目标，而无法准确检测到异常目标。因此，需要采取合适的方法来处理样本不平衡问题。常用的方法包括过采样和欠采样。过采样方法通过对异常目标进行复制来增加异常目标的样本数量，以平衡样本分布；欠采样方法则通过删除普通目标的一些样本来减少样本数量。
3.实验与结果
本文通过实验证明了所提出的高光谱遥感影像异常目标检测方法的有效性。实验使用了公开的高光谱遥感影像数据集，并分别采用不同的特征提取方法、分类方法和处理样本不平衡的方法进行对比实验。实验结果表明，本文提出的方法在异常目标检测中具有较高的准确性和稳定性。
4.结论
本文综合讨论了高光谱遥感影像异常目标检测中的关键问题，包括特征提取、分类方法选择和样本不平衡问题等。通过实验证明了所提出的方法的有效性和可行性。在未来的研究中，可以进一步探索更有效的特征提取方法和分类方法，以提高高光谱遥感影像异常目标检测的准确性和稳定性。
参考文献：
1.ZhangJ,YangY,ZhangG,etal.Hyperspectraltargetdetectionviahierarchicalextremelearningmachine[C]//2017IEEEInternationalGeoscienceandRemoteSensingSymposium(IGARSS).IEEE,2017:914-917.
2.YuJ,ZhangJ,YangY,etal.HyperspectralImageClassificationBasedonAdaptiveGroupSparseRepresentation[J].IEEEAccess,2018,6:44909-44921.